Fields of The World：面向全球农田边界分割的机器学习基准数据集

农田边界是农业监测和评估的基础数据集，但人工采集成本高昂。从遥感图像中自动提取农田边界的机器学习（ML）方法有助于满足全球范围内对这些数据集的需求。然而，目前用于农田实例分割的 ML 方法缺乏足够的地理覆盖范围、准确性和泛化能力。此外，由于缺乏代表全球农田多样性的标注数据集，改进 ML 方法的研究受到限制。我们提出了 Fields of The World（FTW）——一个用于农田实例分割的新型 ML 基准数据集，覆盖四大洲（欧洲、非洲、亚洲和南美洲）的 24 个国家。FTW 包含 70,462 个样本，比以往数据集大一个数量级，每个样本包含实例和语义分割掩码，并配有多日期、多光谱的 Sentinel-2 卫星图像。我们提供了新 FTW 基准的基线模型结果，表明在 FTW 上训练的模型在留出国家上的零样本和微调性能优于未使用多样化数据集预训练的模型，并展示了 FTW 模型在真实场景中的良好定性零样本结果——在埃塞俄比亚上空的 Sentinel-2 场景上运行。